【レビュー】AIエンジニアを目指す人のための機械学習入門　実装しながらアルゴリズムの流れを学ぶ

第1章　機械学習の概要と本書の進め方
　1.1　本章の目的と概要
　1.2　機械学習の概要と3つの分類
　　従来の人工知能型システムと機械学習システムの違い
　　機械学習の3つの分類（教師あり学習、教師なし学習、強化学習）
　1.3　機械学習の各手法の動作原理（アルゴリズム）を学ぶ意義
　1.4　機械学習の勉強方法
　　機械学習に必要な知識・スキル
　　機械学習の勉強を効率的に進めるコツ
　1.5　本書で使用するライブラリと実行環境
　　機械学習を実装する環境を整える方法

第2章　実装しながら学ぶアルゴリズムのこころ・教師あり学習編
　2.1　本章の目的と概要
　2.2　最小二乗法による線形回帰
　　アルゴリズムの基本的な流れ、概要
　　プログラムの実装と実行
　　アルゴリズムの詳細な解説（線形回帰モデルのこころ）
　　終わりに（線形回帰モデルの使用上の注意）
　2.3　L1正則化、L2正則化による過学習の抑制
　　アルゴリズムの基本的な流れ、概要
　　プログラムの実装と実行
　　アルゴリズムの詳細な解説（正則化モデルのこころ）
　　終わりに（L1正則化とL2正則化の使い分け）
　2.4　ロジスティック回帰によるクラス分類
　　アルゴリズムの基本的な流れ、概要
　　プログラムの実装と実行
　　アルゴリズムの詳細な解説（ロジスティック回帰のこころ）
　　終わりに
　2.5　SVCによるクラス分類
　　アルゴリズムの基本的な流れ、概要
　　プログラムの実装と実行
　　アルゴリズムの詳細な解説（LinearSVCのこころ）
　　終わりに
　2.6　決定木によるクラス分類
　　アルゴリズムの基本的な流れ、概要
　　プログラムの実装と実行
　　アルゴリズムの詳細な解説（決定木のこころ）
　　終わりに
　2.7　ランダムフォレストによるクラス分類
　　アルゴリズムの基本的な流れ、概要
　　プログラムの実装と実行
　　アルゴリズムの詳細な解説（ランダムフォレストのこころ）
　　終わりに（ランダムフォレストの使用上の注意）
　2.8　Naive Bayesによるテキストデータの分類
　　アルゴリズムの基本的な流れ、概要
　　プログラムの実装と実行
　　アルゴリズムの詳細な解説（Naive Bayesのこころ）
　　終わりに

第3章　実装しながら学ぶアルゴリズムのこころ・教師なし学習編
　3.1　本章の目的と概要
　3.2　主成分分析による次元圧縮
　　アルゴリズムの基本的な流れ、概要
　　プログラムの実装と実行
　　アルゴリズムの詳細な解説（主成分分析のこころ）
　　終わりに
　3.3　k-meansによるクラスタリングとデータ前処理
　　アルゴリズムの基本的な流れ、概要
　　プログラムの実装と実行
　　アルゴリズムの詳細な解説（k-meansのこころ）
　　終わりに
　3.4　ガウス混合モデル（GMM）によるクラスタリング
　　アルゴリズムの基本的な流れ、概要
　　プログラムの実装と実行
　　アルゴリズムの詳細な解説（ガウス混合モデルのこころ）
　　終わりに

第4章　実装しながら学ぶアルゴリズムのこころ・発展編
　4.1　本章の目的と概要
　4.2　勾配ブースティング決定木によるクラス分類
　　アルゴリズムの基本的な流れ、概要
　　プログラムの実装と実行
　　アルゴリズムの詳細な解説（勾配ブースティング決定木のこころ）
　　終わりに
　4.3　エルボー法とシルエット分析によるクラスタ数の探索
　　アルゴリズムの基本的な流れ、概要
　　プログラムの実装と実行（エルボー法）
　　アルゴリズムの詳細な解説（エルボー法のこころ）
　　プログラムの実装と実行（シルエット分析）
　　アルゴリズムの詳細な解説（シルエット分析のこころ）
　　終わりに
　4.4　t-SNEによる次元圧縮（多様体学習）
　　アルゴリズムの基本的な流れ、概要
　　プログラムの実装と実行
　　アルゴリズムの詳細な解説（t-SNEのこころ）
　　終わりに
　4.5　異常検知（Novelty Detection、Outlier Detection）
　　アルゴリズムの基本的な流れ、概要
　　プログラムの実装と実行（Novelty Detection：特異点検知）
　　プログラムの実装と実行（Outlier Detection：外れ値検知）
　　終わりに

第5章　機械学習システムの構築フローとモデルの性能評価
　5.1　本章の目的と概要
　5.2　ビジネス理解
　　目的の明確化
　　業務フローの作成
　　データの検討
　　目標設定
　5.3　データ加工
　　データチェック
　　データクリーニング
　　データ前処理
　5.4　モデリング
　　アルゴリズム策定
　　特徴量エンジニアリング
　　データ分割
　　学習と評価
　5.5　デプロイと運用
　　システムへの組み込み
　　システム性能の検証
　　ハンドオフ
　　運用・保守
　　終わりに

付録
　A.1　Google Colaboratoryの利用方法
　　サンプルコード（既存のipynbファイル）の利用
　A.2　ローカルPCに機械学習の実装・実行環境を整える方法
　　Python実行環境Anacondaのインストール
　　機械学習に必要なライブラリのインストール
　　Jupyter Notebookのインストールと起動
　　サンプルコード（既存のipynbファイル）の利用
　　ノートブックの保存とシャットダウン

機械学習はAI（人工知能）の基礎技術です。今後AIの利活用が進むにつれて、機械学習をコンピュータシステムに組み込んでビジネスに活用できる人材（本書ではAIエンジニアと呼称します）がますます求められます。
機械学習には目的に応じたいくつかの手法が存在します。それらの手法を正しく使えるようになるために、本書はAIエンジニアが理解しておきたいレベルの深さで、各手法のアルゴリズム（動作原理）を丁寧に解説します。とくにアルゴリズムの目的や意味を理解できることをめざします。（アルゴリズムの背景にある高度な数学・統計学の理論についての説明は必要最小限にとどめ、）まずはプログラムを書いて動かし、その結果を見ながらアルゴリズムの長所・短所や、性能をチューニングするためのコツを学びます。
機械学習プログラムの作成には、プログラミング言語「Python」と機械学習ライブラリ「scikit-learn」を使用します。作成したプログラムは、クラウドサービス「Google Colaboratory」や手元のパソコンに構築する「Jupyter Notebook」の環境で簡単に動かせます。

　・AIエンジニアが気をつけたいPython実装のノウハウ・コツまとめ[2020-05-04に投稿]

　・機械学習の実装とアルゴリズムをバランス良く学べる書籍を執筆しました[2020-04-29に投稿]